Zobrazeno 1 - 7
of 7
pro vyhledávání: '"Gayen, Atin"'
Autor:
Gayen, Atin, Kumar, M. Ashok
Publikováno v:
IEEE Transactions on Information Theory 69 (12) 7565 - 7583 (2023)
This paper generalizes the notion of sufficiency for estimation problems beyond maximum likelihood. In particular, we consider estimation problems based on Jones et al. and Basu et al. likelihood functions that are popular among distance-based robust
Externí odkaz:
http://arxiv.org/abs/2205.00530
Autor:
Gayen, Atin, Kumar, M. Ashok
We extend projection theorems concerning Hellinger and Jones et al. divergences to the continuous case. These projection theorems reduce certain estimation problems on generalized exponential models to linear problems. We introduce the notion of regu
Externí odkaz:
http://arxiv.org/abs/1905.01434
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Gayen, Atin, Kumar, M. Ashok
In \cite{KumarS15J2}, it was shown that a generalized maximum likelihood estimation problem on a (canonical) $\alpha$-power-law model ($\mathbb{M}^{(\alpha)}$-family) can be solved by solving a system of linear equations. This was due to an orthogona
Externí odkaz:
http://arxiv.org/abs/1801.09100
Autor:
Gayen, Atin, Kumar, M. Ashok
Projection theorems of divergences enable us to find reverse projection of a divergence on a specific statistical model as a forward projection of the divergence on a different but rather "simpler" statistical model, which, in turn, results in solvin
Externí odkaz:
http://arxiv.org/abs/1705.09898
Autor:
Gayen, Atin, Kumar, M. Ashok
Publikováno v:
In Journal of Multivariate Analysis July 2021 184
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.